OCR : de quoi parle-t-on ?#
L'OCR (optical character recognition, reconnaissance optique de caractères) est la technique qui lit le texte présent dans une image : une page scannée, une photo de document, une capture d'écran. Le résultat est du texte que l'on peut copier, chercher, traduire ou traiter par un programme.
Sans OCR, un document scanné n'est qu'une photo : on le voit, mais aucun logiciel ne peut y chercher un mot, en extraire un montant ou le résumer.
Un PDF n'est pas toujours un texte#
Tous les PDF se ressemblent à l'écran. Ils ne contiennent pourtant pas la même chose :
| Type de PDF | Ce qu'il contient | Le texte se sélectionne ? | OCR nécessaire ? |
|---|---|---|---|
| PDF natif | Le texte produit par un logiciel (traitement de texte, facturation) | Oui | Non |
| PDF scanné | Une image par page, issue d'un scanner ou d'un téléphone | Non | Oui |
| PDF océrisé | L'image de la page et, dessous, une couche de texte invisible | Oui | Déjà fait |
| PDF mixte | Des pages natives et des pages scannées | Selon la page | Pour certaines pages |
Le test le plus simple : essayer de sélectionner un mot. Si rien ne se sélectionne, la page est une image.
Qu'est-ce qu'un PDF océrisé ?#
Un PDF océrisé conserve l'apparence exacte du document scanné, mais porte en plus une couche de texte invisible, alignée sur les mots de l'image. On voit la page d'origine, et on peut pourtant y chercher, y copier et y sélectionner du texte. C'est le format à privilégier pour l'archivage : fidèle à l'original, et exploitable.
Comment fonctionne l'OCR#
Un moteur d'OCR moderne procède en plusieurs étapes :
- Préparer l'image : la redresser si elle est penchée, retrouver son orientation si elle est à l'envers, améliorer le contraste.
- Détecter les zones qui contiennent du texte, ligne par ligne.
- Reconnaître les caractères de chaque ligne, aujourd'hui avec des réseaux de neurones entraînés sur de très grands volumes d'images.
- Reconstituer l'ordre de lecture : colonnes, tableaux, blocs.
La troisième étape a fait d'énormes progrès ; la première reste décisive. Une page penchée de quelques degrés ou photographiée de biais fait chuter la qualité de la reconnaissance si elle n'est pas redressée avant.
Ce qui fait un bon OCR#
- Une résolution suffisante : 300 points par pouce est la valeur habituellement recommandée pour un document courant numérisé au scanner.
- Une page droite et contrastée, ou un moteur qui la redresse lui-même.
- Un moteur adapté à la langue : accents, ligatures et ponctuation du français.
- Une mise en page simple : les tableaux complexes, les colonnes multiples et les tampons superposés restent les cas les plus difficiles.
L'écriture manuscrite est un cas à part : elle se lit de mieux en mieux, mais beaucoup moins sûrement que l'imprimé.
Faire l'OCR d'un PDF : les solutions#
Les outils en ligne#
Rapides et souvent gratuits pour quelques pages, ils exigent d'envoyer le document sur un serveur tiers. Pour un document qui contient des données personnelles, un contrat ou une pièce comptable, la question de savoir où il part et ce qu'il devient se pose avant le clic, pas après.
Les logiciels installés#
Les éditeurs de PDF et les logiciels de numérisation proposent l'OCR sur le poste : le document ne sort pas. C'est la voie à préférer pour les documents sensibles.
Les moteurs ouverts#
Plusieurs moteurs d'OCR sont publiés en open source et s'intègrent dans un programme. Ils demandent un peu de technique, mais permettent de traiter des volumes importants sans dépendre d'un service extérieur.
OCR de facture : extraire plutôt que lire#
Pour une facture, reconnaître le texte n'est que la moitié du travail. Ce qui intéresse, ce sont des champs : le fournisseur, le numéro, la date, le montant hors taxe, la TVA, le total, l'échéance. L'OCR seul rend une suite de lignes ; il faut ensuite comprendre laquelle est le total et laquelle est un sous-total.
C'est précisément là qu'un modèle de langage apporte quelque chose : une fois le texte reconnu, il sait retrouver ces champs quelle que soit la mise en page du fournisseur, sans modèle de facture à paramétrer pour chacun.
Convertir un PDF en Word avec l'OCR#
Passer d'un PDF scanné à un document Word modifiable demande deux choses : reconnaître le texte, puis reconstruire la mise en page — titres, paragraphes, tableaux. La reconnaissance est aujourd'hui fiable ; la reconstruction l'est moins, et un document à la mise en page riche demande presque toujours une reprise à la main. Pour une simple réutilisation du texte, un PDF océrisé suffit souvent.
Ce que l'IA change une fois le texte reconnu#
L'OCR rend le texte disponible ; un modèle de langage le rend utile. Une fois une pile de documents lue, on peut demander :
- de classer les pièces par nature, par fournisseur ou par période ;
- d'en extraire les montants et de compléter un tableau existant ;
- de signaler les documents incomplets ou incohérents ;
- de résumer un contrat et d'en relever les échéances ;
- de rapprocher les pièces d'une liste attendue et de dire ce qui manque.
Deux précautions restent indispensables. Le texte reconnu peut contenir des erreurs de lecture : un chiffre mal reconnu change un total. Et sur un gros volume, le calcul se confie au code, pas au modèle, pour qu'aucune ligne ne soit sautée.
L'OCR dans AIKeep#
AIKeep embarque son propre moteur de reconnaissance de texte, qui fonctionne hors ligne, sur le poste : un document scanné n'est envoyé nulle part pour être lu. Les pages penchées sont redressées et l'orientation retrouvée avant la lecture, sans réglage à activer. PDF, scans et photos de documents se lisent comme n'importe quel fichier, puis se traitent comme le reste : classés, résumés, reportés dans un tableau — voir la lecture des documents et l'IA dans vos tableaux.
Ce que le modèle lit ensuite passe par AIGuard, qui remplace les données personnelles par des leurres avant l'envoi.